olmOCR olmOCR 是一款开源 PDF 文档处理工具，结合文档锚定技术和 Qwen2-VL-7B-Instruct 模型，可高效提取结构化文本并保留原始布局。支持多种文档类型，具备大规模批量处理能力和低成本优势，适用于学术研究、法律文件处理、企业文档管理及数字图书馆建设等多个场景。其开源特性与可扩展性也增强了用户的使用灵活性。 AI项目与工具 2025年06月12日 47 点赞 0 评论 753 浏览
A2A A2A是谷歌推出的首个智能体交互协议，旨在实现不同框架和供应商构建的AI智能体之间的高效协作。它支持多模态交互、长期任务管理和实时反馈，基于HTTP、JSON-RPC等标准设计，便于与现有系统集成。A2A具备安全性、可扩展性和用户体验协商能力，适用于企业流程自动化、跨平台客服、招聘优化、供应链协同和智能办公等多个场景。 AI项目与工具 2025年06月12日 59 点赞 0 评论 754 浏览
LongVU LongVU是一款由Meta AI团队研发的长视频理解工具，其核心在于时空自适应压缩机制，可有效减少视频标记数量并保留关键视觉细节。该工具通过跨模态查询与帧间依赖性分析，实现了对冗余帧的剔除及帧特征的选择性降低，并基于时间依赖性进一步压缩空间标记。LongVU支持高效处理长视频，适用于视频内容分析、搜索索引、生成描述等多种应用场景。 AI项目与工具 2025年06月12日 65 点赞 0 评论 756 浏览
WebLI WebLI-100B是由Google DeepMind推出的超大规模视觉语言数据集，包含1000亿个图像与文本配对数据，是目前最大的视觉语言数据集之一。其设计旨在提升模型对长尾概念、文化多样性和多语言内容的理解能力。数据集通过网络爬取构建，保留了丰富的语言和文化多样性，支持多模态任务如图像分类、图像描述生成和视觉问答，广泛应用于人工智能研究、工程开发及教育领域。 AI项目与工具 2025年06月12日 51 点赞 0 评论 756 浏览
CoGenAV CoGenAV是一种先进的多模态学习模型，专注于音频和视觉信号的对齐与融合。通过对比特征对齐和生成文本预测的双重目标进行训练，利用同步音频、视频和文本数据，学习捕捉时间对应关系和语义信息。CoGenAV具备音频视觉语音识别、视觉语音识别、噪声环境下的语音处理、语音重建与增强、主动说话人检测等功能，适用于智能助手、视频内容分析、工业应用和医疗健康等多个场景。 AI项目与工具 2025年06月11日 80 点赞 0 评论 756 浏览
VideoTuna VideoTuna是一款基于AI的开源视频生成工具，支持文本到视频、图像到视频以及文本到图像的转换。它提供预训练、微调和后训练对齐等功能，兼容U-Net和DiT架构，并计划引入3D视频生成能力。VideoTuna旨在简化视频内容创作流程，提升生成质量与可控性，适用于内容创作、电影制作、广告营销、教育培训等多个领域。 AI项目与工具 2025年06月12日 30 点赞 0 评论 758 浏览
IMYAI智能助手 原名ILoveChatGPT，为用户提供丰富的AI服务，使用IMYAI，无需额外工具，即可让您畅享ChatGPT以及Midjourney等AI服务。 Ai平台模型 2025年06月05日 12 点赞 0 评论 758 浏览
MiniMax MiniMax-01是由MiniMax推出的高性能AI模型系列，包含语言模型MiniMax-Text-01和视觉多模态模型MiniMax-VL-01。该系列采用线性注意力机制，支持处理长达400万token的上下文，性能接近国际领先模型。具备强大的语言理解、多模态处理及长文本分析能力，适用于企业、教育、科研及开发等多个领域。API定价合理，提供高效的长文本处理与多模态交互解决方案。 AI项目与工具 2025年06月12日 30 点赞 0 评论 758 浏览
Morphik Morphik是一款开源的多模态检索增强生成（RAG）工具，专为处理高技术性和视觉内容丰富的文档设计。支持图像、PDF、视频等多种格式的文档搜索，采用ColPali技术理解文档中的视觉内容，具备快速元数据提取功能，可提取边界框、标签、分类等信息。其主要功能包括多模态数据处理、智能解析文件、知识图谱构建、自然语言规则引擎和数据管理与集成，适用于技术文档处理、企业知识管理和智能应用开发等场景。 AI项目与工具 2025年06月11日 27 点赞 0 评论 759 浏览
天翼AI开放平台 天翼AI开放平台是中国电信推出的AI技术服务平台，基于自研星辰大模型，提供问答、表格分析、文生图、多方言识别等功能，同时为企业提供大模型开发、AI中台等工具，覆盖政务、金融、工业等领域，支持多场景数字化创新。 AI项目与工具 2025年06月11日 71 点赞 0 评论 760 浏览
